Introducción: ¿No puedes escribir oraciones estándar en inglés? ¿Es demasiado problemático buscar en Google uno por uno? Use Antconc rápidamente, la importación de corpus solo requiere unos pocos pasos para ayudarlo a analizar la frecuencia de palabras y encontrar colocaciones comunes.
Directorio de artículos
Uno, caracteres especiales regulares de uso común
| personaje | descripción |
|---|---|
| ^ | Coincide con el comienzo de la cadena de entrada. |
| PS | Coincide con la posición final de la cadena de entrada. |
| * | Coincide con la subexpresión anterior 零次o 多次. Por ejemplo, zo*coincide zbien zoo. *Es equivalente a {0,}. |
| + | Coincide con la subexpresión anterior 一次o 多次. Por ejemplo, ' zo+' puede coincidir con " zo" y " zoo", pero no con " z". +Es equivalente a {1,}. |
| ? | Coincide con la subexpresión anterior 零次o 一次. Por ejemplo, " do(es)?" Puede coincidir con " do" o " does". ?Es equivalente a {0,1}. |
| . | Coincide con cualquier carácter individual excepto el carácter de nueva línea \ n. |
| () | Marque el comienzo y el final de una subexpresión . |
| [] | Expresión de corchetes. |
| {} | Marque el calificador . Si wor{2}puede coincidir wordspero no coincidirword |
| x|y | Coincide con x o y. Por ejemplo, 'z | food' puede coincidir con "z" o "food". '(z | f) ood' coincide con "zood" o "comida". |
| [xyz] | Juego de caracteres, equivalente ax | y | z |
| [^ xyz] | Juego de caracteres negativos. Coincide con cualquier carácter que no esté incluido. Por ejemplo, '[^ abc]' puede coincidir con 'p', 'l', 'i' y'n 'en "plano". |
| [Arizona] | Rango de caracteres. |
| [^ az] | La gama de caracteres negativos. Por ejemplo, '[^ az]' puede coincidir con cualquier carácter que no esté en el rango de 'a' a 'z'. |
Dos metacaracteres regulares
| personaje | descripción |
|---|---|
| \s | Coincide con cualquier carácter en blanco. |
| \S | Coincide con cualquier 非carácter en blanco. |
| \ w | Haga coincidir letras, números y guiones bajos. Equivalente a '[A-Za-z0-9_]'. |
| \ W | Haga coincidir 非letras, números y guiones bajos. Equivalente a '[^ A-Za-z0-9_]'. |
| \B | Coincide con el límite de una palabra. Por ejemplo, ' er\b' puede coincidir con never' er' en " verb" pero no puede coincidir con ' er' en " " . |
| \B | Haga coincidir los 非límites de las palabras. 'er \ B' puede coincidir con el'er 'en "verbo" pero no con el'er' en "nunca". |
| \D | Coincide con un carácter de dígito. Equivalente a [^ 0-9]. |
| \D | Coincide con un 非carácter de dígito. Equivalente a [^ 0-9]. |
En tercer lugar, la recopilación de partes comunes del discurso en inglés.
| Etiqueta de parte del discurso | Nombre completo en inglés | Explicación china | Ejemplo |
|---|---|---|---|
| ANUNCIO | Adverbios | adverbio | Incluyendo adverbios modales, adverbios de frecuencia, adverbios de grado, adverbios conjuntivos, etc. |
| CC | Conjunción de coordinación | Coordinar conjunciones | Y, y, o, o |
| CS | Conj subordinado | Conjunción subordinada | Si, si, como |
| DT | Determinante | Calificadores,冠词 | the, a, an, this, every, each, any, your, their, which 等) |
| EX | Existencia allí | Vocabulario existencial | allí |
| IN | Preposiciones y conjunciones subordinantes |
介词Y conjunciones subordinadas | en, aproximadamente, a |
| JJ | Modificador de sustantivo distinto de los anuncios | 其他名词形容词 | 共同/JJ的/DEG目的/NN 他/PN是/VC男//JJ的/DEG |
| NN | Common nouns | 普通名词(单数或复数) | 桌子(一般正则用_N\w*) |
| NR | Proper nouns | 专有名词 | 天安门 |
| VB | Verbs (base form) | 动词原形 | |
| VH | 动词"有" 的词类标记 | have | |
| VV | verbs | 其他动词 | 情态动词，提升谓词（如“can”），控制动词（如“要”、“想”）, 行为动词（如“走”），心理动词（如“喜欢”、“了解”、“怨恨” |
| VA | Predicative adjective | 谓词形容词 | 太阳红彤彤/VA |
| MD | Modal Verbs | 情态动词 | can,may |
| VC | Copula | 系动词 | am.is.are,was |
| RB | Adverbs | 副词 | |
| TO | to | 单词to | |
| RP | Particles | 小品词 | along,away,by,down,in,off,on,out,over |
以下根据Antconc软件以及词性标注数据，做了一个词频如下图
然后导出到Excel中进行清洗，得到如下图，并进行重点标注，方便正对性记忆。
四、使用案例
首先，我们使用已词性标记的英文语料，标记形式如下图。可见词性标记先将文本内容分词(常用HMM隐马模型进行词性标注任务)，然后在每个词后面加入_<词性缩写>来达到标记效果，如The_DT表示标记为冠词的单词The。
在了解了具体词性标注文本格式后，我们在匹配想要的句式结构时，就可以利用<原词>_<词性缩写>格式特点来写正则表达式。
【句式1】：be动词+冠词/副词(if any)+形容词+名词/介词
【正则表达式】：
\S+_VB\w*\s\S+((_DT)|(_RB\w*))\s\S+_JJ\w*\s\S+((_NN\w*)|(_IN))\s
【部分解释】：
\S+意图匹配下划线_前的非空原词字符串，+表示非空字符\S有1个或多个，这样我们就可匹配到_前的一个任意长度单词(字符串)，例如该项可匹配到is_VBZ中的is。_VB\w*\s是匹配词性，但是词性按粗粒度到细粒度划分有很多，比如VB(动词原形)下属有VBZ(第三人称单数动词),VBG(动名词或现在分词),VBP(非第三人称单数动词)。因此，我们在后面加\w*表示可以匹配0或多个字符（*采用贪心匹配，选择最长字符作为结果），最后因为词与词之间是空格，因此再加入\s用来匹配一个空字符。例如该项可匹配到is_VBZ中的_VBZ(空格)。((_DT)|(_RB\w*))意图匹配DT冠词或RB副词，()中为子表达式，如(_DT)将_DT作为一个整体，通过|或关系对冠词或副词进行匹配。例如该项可匹配到also_RB中的_RB或a_DT中的_DT。- 其余原理相似，不再赘述。
【句式1的其他等价写法】：能合并同类项可以少些点。
\S+_VB\w*\s((\S+_DT)|(\S+_RB\w*))\s\S+_JJ\w*\s\S+((_NN\w*)|(_IN))\s
\S+_VB\w*\s((\S+_DT\s\S+)|(\S+_RB\w*\s\S+))_JJ\w*\s\S+((_NN\w*)|(_IN))\s
得到结果如下图
可见有驸马标记，为了简洁好看，我们可以通过全局设置将其隐藏，如下图
最终结果如下图，可见有很多实用的论文书面搭配。
【句式2】：形容词+名词+have(has)+动词过去式+that
【正则表达式】：
\S+_JJ\w*\s\S+_N\w*\s\S+_VH\w*\s\S+_VV\w*\sthat
【部分解释】：
VH\w*意图匹配动词有及其下属词性，如have,has等。\sthat注意匹配的是(空格)thatVV匹配其他动词词性，如shown,found等。
【句式3】：形容词+名词+动词(任意形式)+that
【正则表达式】：
\S+_JJ\w*\s\S+_N\w*\s\S+_V\w*\sthat
【句式4】：…+形容词+classifier(s)+…
【正则表达式】：
\S+_JJ\sclassifiers?
【部分解释】：
classifiers?意图匹配classifier后面的字符s可有可无，可匹配到classifier以及classifiers。
【句式5】：however/although/nevertheless(固定连词)+带有形容词的从句
【正则表达式】：
((however)|(although)|(nevertheless)).+\S+_JJ\w*\s
【部分解释】：
.+匹配如although之后的长度为1及以上非换行符\n字符串。本例中匹配although_IN in_IN many_JJ中的_IN in_IN(空格)
【句式6】：we/study/research/paper+任意词(if any)+动词
【正则表达式】：
((we)|(study)|(research)|(paper))_\S+\s(\S+_\S+\s)?\S+_VV\w*\s
如果想精确性查找This paper+任意词(if any)+动词则可以使用
this_DT\spaper_NN\s(\S+_\S+\s)?\S+_VV\w*\s
【部分解释】：
(\S+_\S+\s)?匹配0个或1个任意词<原词>_<词性>(空格)，若替换为*则匹配0个或多个
【注】：修改底部KWIC的排序方式，从左到右依次按照ASCII码大小排序，修改后排序方式变化但总记录数不变。
【句式7】：动词+任意词(if any)+question
【正则表达式】：
\S+_VV\w*\s(\S+_\S+\s)?questions?
【部分解释】：
(\S+_\S+\s)?匹配0个或1个任意词<原词>_<词性>(空格)，若替换为*则匹配0个或多个questions?匹配question和questions
【句式8】：This paper+be动词+动词被动+as follows
【正则表达式】：
paper_NN\s\S+_VB\w*\s\S+_VV\w*
附录-完整词性表
| 英文简写 | 英文全称 | 中文解释 |
|---|---|---|
| CC | Coordinating Conjunctions | 并列连词 |
| CD | Cardinal Numbers | 基数词 |
| DT | Determiners | 限定词(例:the,a,an,this,every,each,any,your,their,whose等) |
| EX | Existence There | 存在词汇there |
| FW | Foreign Words | 外来语/词 |
| IN | Prepositions and Subordinating Conjunctions | 介词和从属连词 |
| JJ | Adjectives | 形容词 |
| JJR | Comparative Adjectives | 形容词比较级 |
| JJS | Superlative Adjectives | 形容词最高级 |
| LS | List Item Markers | 列表项标记(例:1. , 2., a, a., ….) |
| MD | Modal Verbs | 情态动词 |
| NN | Common Nouns(Singular or Mass) | 普通名词(单数或复数) |
| NNS | Common Nouns (Plural) | 普通名词(复数) |
| NNP | Proper Nouns (Singular) | 专有名词(单数) |
| NNPS | Proper Nouns (Plural) | 专有名词(复数) |
| PDT | Predeterminers | 前置限定词(例:both,all…) |
| POS | Possessive Endings ‘s | 以’s结束的词(例:he’s, it’s.) |
| PRP | Personal Pronouns | 人称代词(例:i,me,my,you…) |
| PRP$ | Possessive Pronouns | 物主代词(例:mine,ours,thine,yours,his,hers,its…) |
| RB | Adverbs | 副词 |
| RBR | Comparative Adverbs | 程度副词(例:hard,fast,early,well,badly,far,quietly,carefully,happily …) |
| RBS | Superlative Adverbs | 副词最高级 |
| RP | Particles | 小品词(例:along,away,back,by,down,forward,in,off,on,out,over,round,under,up…) |
| SYM | Symbols | 符号 |
| TO | to | 单词to |
| UH | Interjection | 感叹词(例:aha, ahem, ahh, ahoy, alas, arg, aw, bam, bingo, blah, boo, bravo, brrr,oh …) |
| VB | Verbs (base form) | 动词原形 |
| VBD | Verbs (past tense) | 动词(过去时态) |
| VBG | Verbs (gerund or present participle) | 动词(动名词或现分词) |
| VBN | Verbs (past participle) | 动词(过去分词) |
| VBP | Verbs (non 3rd person singular present) | 动词(非第三人称单数) |
| VBZ | Verbs (3rd person singular present) | 动词(第三人称单数) |
| WDT | Wh-determiner | Wh开头的限定词(例:what,which…) |
| WP$ | Possessive wh-pronoun | Wh开头代词的所有格(例:whom, whose…) |
| WRB | Wh-adverb | Wh开头的副词(例:when, where, why, how, whence, whereby, wherein, whereupon, and how) |
【参考资料】
[1] 菜鸟教程.正则表达式-元字符
[2] stanfordCorenlp在python3中的安装使用+词性学习
[3] 斯坦福Stanford coreNLP宾州树库的词性标注规范